李 強，劉琳嵐* ，陳宇斌，舒 堅，臧 超

(1.南昌航空大學(xué)信息工程學(xué)院，南昌330063;2.南昌航空大學(xué)物聯(lián)網(wǎng)技術(shù)研究所，南昌330063;3.南昌航空大學(xué)軟件學(xué)院，南昌330063)

傳感網(wǎng)絡(luò)WSNs(Wireless Sensor Networks)在軍事、環(huán)境監(jiān)測、醫(yī)療健康、工業(yè)控制等方面有著十分廣闊的應(yīng)用前景。突發(fā)性事件監(jiān)測是事件驅(qū)動型傳感網(wǎng)絡(luò)的一個典型應(yīng)用，能夠應(yīng)用于地震監(jiān)測、森林火災(zāi)、城市消防、入侵檢測和戰(zhàn)場檢測等方面。由于傳感器節(jié)點通常使用能量有限且不易更換的電池供電，因此傳感網(wǎng)絡(luò)的首要設(shè)計目標就是節(jié)省能量。

近年來，國內(nèi)外研究人員針對傳感網(wǎng)絡(luò)提出了一些降低傳感器節(jié)點功耗的方法。MIT的Sinha等人［1］根據(jù)傳感器節(jié)點狀態(tài)組合的有效性將整個節(jié)點的工作狀態(tài)劃分為五種，并且假設(shè)被監(jiān)測事件服從一定的泊松分布和空間分布，然后使用自適應(yīng)濾波(Adaptive Filtering)方法，依據(jù)歷史事件的發(fā)生時間預(yù)測下一事件的到來時間，從而能夠在嵌入式操作系統(tǒng)的支持下選擇最合適的工作狀態(tài)，以降低節(jié)點的能耗;文獻［2］在文獻［1］的基礎(chǔ)上進行了改進，提出一種“兩層”動態(tài)功耗管理策略，該策略采用異步喚醒節(jié)點的方法，權(quán)衡了節(jié)點通信和能量消耗的均衡性，當節(jié)點進入完全關(guān)閉狀態(tài)時考慮了節(jié)點剩余能量，在不影響系統(tǒng)性能的情況下，延長節(jié)點的壽命;Passos M 等人［3］拓展了文獻［4］提出的能量狀態(tài)機模型，提出一種基于應(yīng)用驅(qū)動的動態(tài)功耗管理策略，該策略把節(jié)點的工作狀態(tài)劃分為三種，以混合自動機(Hybrid Automata)原理作為理論支撐，利用傳感器監(jiān)測對環(huán)境條件的依賴性動態(tài)切換系統(tǒng)的功耗狀態(tài)，該方法在事件發(fā)生概率不是很大的情況下可以有效降低傳感器節(jié)點功耗，一旦事件發(fā)生概率變大，節(jié)點功耗也將會逐漸增大，當概率大于某閾值后，節(jié)點便不能節(jié)能反而消耗更多能量;文獻［5］提出的傳感網(wǎng)絡(luò)動態(tài)功耗管理機制使用了最優(yōu)地理密度控制(OptimalGeographicalDensity Control)技術(shù)，在其滿足網(wǎng)絡(luò)連通覆蓋特性的前提下，使處于活動狀態(tài)的節(jié)點數(shù)量達到最少，以提高動態(tài)功耗管理的效率;文獻［6－7］分別提出了基于預(yù)定切換模式和基于模式切換的動態(tài)功耗管理機制，均是基于電池能量的可恢復(fù)性特點來延長節(jié)點的使用壽命;文獻［8－9］把節(jié)點工作狀態(tài)之間的轉(zhuǎn)換看作是一種基于“平均獎賞”的馬爾可夫決策過程，利用動態(tài)規(guī)劃方法來優(yōu)化這一過程，提高了節(jié)點的能量利用率;田豐民等人［10］提出一種預(yù)測方法，該方法使用了小波和卡爾曼濾波以及自回歸分析技術(shù)，根據(jù)歷史事件的到達時間來預(yù)測下一事件的發(fā)生的時間，以決定節(jié)點進入何種功耗狀態(tài)。然而，在森林火災(zāi)監(jiān)測、洪水爆發(fā)監(jiān)測等應(yīng)用領(lǐng)域中，事件發(fā)生概率很小，且具有偶然性，歷史數(shù)據(jù)難以獲得，針對此種情況，李國徽等人［11］使用小波分析和自回歸技術(shù)對Sink節(jié)點上現(xiàn)有的數(shù)據(jù)流進行分析以產(chǎn)生預(yù)測值，在后續(xù)的工作周期內(nèi)，如果節(jié)點上的觀測值沒有超過給定閾值，那么就不向Sink節(jié)點發(fā)送報文，通過減少節(jié)點的工作時間和通信時間及次數(shù)來減少能量消耗;魏海龍等人［12］根據(jù)傳感器節(jié)點上的歷史數(shù)據(jù)使用灰色模型預(yù)測未來值，預(yù)測過程中可以動態(tài)調(diào)整預(yù)測參數(shù)，實現(xiàn)自適應(yīng)預(yù)測，與小波自回歸預(yù)測算法相比，提高了預(yù)測的準確性。

在上述研究的基礎(chǔ)之上，本文針對森林火災(zāi)監(jiān)測，提出一種改進的基于混合自動機模型的節(jié)點動態(tài)功耗管理方法。森林火災(zāi)的發(fā)生具有突發(fā)性和偶然性，節(jié)點上各單元無需一直保持在正常工作狀態(tài)，可將其切換到低功耗狀態(tài)，甚至完全關(guān)閉狀態(tài)，在必要時加以喚醒，可以有效降低節(jié)點的能量損耗。動態(tài)功耗管理DPM(Dynamic Power Management)的基本思想是:設(shè)備在空閑時關(guān)閉，在需要時加以喚醒［3］。本文在前述研究的基礎(chǔ)上，把傳感器節(jié)點的工作狀態(tài)劃分為四種，然后利用混合自動機原理建立節(jié)點工作狀態(tài)轉(zhuǎn)移模型，該模型通過對環(huán)境變量(狀態(tài)控制變量)是否滿足跳變條件的判斷來決定節(jié)點處于何種工作狀態(tài)，同時該模型考慮了節(jié)點的剩余能量，可均衡節(jié)點能量的使用。

1 傳感器節(jié)點的硬件組成

一般傳感器節(jié)點由四部分組成:數(shù)據(jù)采集模塊、數(shù)據(jù)處理模塊、無線通信模塊和電源模塊，如圖1所示。

圖1 傳感器節(jié)點硬件組成結(jié)構(gòu)示意圖

圖2給出的是Deborah Estrin在Mobicom2002會議上的特邀報告(Wireless Sensor Networks，PartⅣ:Sensor Network Protocols)［13］中所述傳感器節(jié)點各模塊的能量消耗情況。從圖中可以知道，傳感器節(jié)點的絕大部分能量消耗在無線通信模塊上，而且無線通信模塊在空閑狀態(tài)和接收狀態(tài)的能量消耗接近。

圖2 傳感器節(jié)點各模塊的能耗情況

2 傳感器節(jié)點工作狀態(tài)的劃分

傳感器節(jié)點的每個模塊都有多種工作模式，例如數(shù)據(jù)采集模塊有打開、關(guān)閉兩種模式，數(shù)據(jù)處理模塊有活動、空閑、休眠三種模式。每種工作模式都具有各自的功耗狀態(tài)，通過這些不同的功耗狀態(tài)，可以定義出節(jié)點不同的工作狀態(tài)。

在文獻［3］所提出的動態(tài)功率管理方法中，傳感器節(jié)點的工作狀態(tài)被劃分三種:活動狀態(tài)(高速率數(shù)據(jù)采集和發(fā)送)、次活動狀態(tài)(低速率數(shù)據(jù)采集和發(fā)送)和關(guān)閉狀態(tài)，該方法通過判斷環(huán)境溫度的變化值是否滿足跳變條件來控制節(jié)點工作狀態(tài)的轉(zhuǎn)換。森林火災(zāi)發(fā)生的概率比較小，且具有突發(fā)性，節(jié)點各工作狀態(tài)之間沒有必要的頻繁轉(zhuǎn)換會帶來額外的能耗，特別是完全關(guān)閉狀態(tài)和活動狀態(tài)之間的轉(zhuǎn)換會消耗更多的能量，且節(jié)點處于關(guān)閉狀態(tài)的時間越多，事件丟失的可能性越大，為了降低這種額外能耗和減少事件丟失率，本文將傳感器節(jié)點的有效工作狀態(tài)劃分為四種:S0、S1、S2、S3，如表 1 所示。

表1 傳感器節(jié)點的工作狀態(tài)

表1中，S0和S1分別表示活動狀態(tài)和次活動狀態(tài)，此時節(jié)點各模塊都處于正?；顒訝顟B(tài)，兩者的區(qū)別在于S0的數(shù)據(jù)采集速率和發(fā)送速率都比S1高，但數(shù)據(jù)采集頻率必須滿足采樣定律，即采樣頻率大于信號頻率的兩倍;S2為“感知”狀態(tài)，此時傳感器為打開狀態(tài)，處理器為活動狀態(tài)，無線收發(fā)器可以接收數(shù)據(jù)，因此節(jié)點能夠感知外界變化，但不能進行消息的發(fā)送;S3為睡眠狀態(tài)，此時處理器處于睡眠狀態(tài)，傳感器和無線收發(fā)器處于關(guān)閉狀態(tài)，節(jié)點無法感知外界環(huán)境的變化。

從實用的角度來看，傳感器節(jié)點工作狀態(tài)之間的切換會消耗一定的能量并有一定的時間延遲，因此，若節(jié)點狀態(tài)轉(zhuǎn)換所節(jié)約的能量不足以彌補狀態(tài)轉(zhuǎn)換所帶來的額外能量消耗，那么此次狀態(tài)轉(zhuǎn)換完全沒有意義。所以，需要對節(jié)點休眠閾值進行合理的設(shè)定。

3 休眠閾值分析

由上一節(jié)內(nèi)容可知，節(jié)點的工作狀態(tài)被劃分為S0、S1、S2、S3四個部分，S0表示活動狀態(tài)，此時節(jié)點消耗的能量最大;S1表示次活動狀態(tài);S2表示感知狀態(tài);S3表示節(jié)點處于睡眠狀態(tài)，此時節(jié)點消耗的能量最小。為了更直觀的分析節(jié)點的休眠閾值，我們假設(shè)某節(jié)點在t1時刻完成對上一事件的處理，下一事件將發(fā)生在t2=t1+ti時刻，那么ti即為該節(jié)點處于空閑的時間段;狀態(tài) Sk的功耗為 Pk(k=0，1，2，3)，狀態(tài)轉(zhuǎn)換時間和恢復(fù)時間分別為τd，k和τu，k，如圖3 所示。

圖3 狀態(tài)轉(zhuǎn)換示意圖

從圖3中可以看出，節(jié)點在t1時刻開始從狀態(tài)S0轉(zhuǎn)換到狀態(tài)Sk，在t2時刻又開始恢復(fù)到S0狀態(tài)，很顯然，這一狀態(tài)轉(zhuǎn)換過程中節(jié)約的能量為:

如果式(1)要有實際意義，那么必須滿足 Esave，k＞0，從Esave，k＞0可以推導(dǎo)得到節(jié)點的門限閾值:

即節(jié)點在下一事件到來之前至少要保持的空閑時間。由于節(jié)點的狀態(tài)轉(zhuǎn)換本身也存在額外的能量消耗，所以節(jié)點處于狀態(tài)Sk的保持時間應(yīng)大于Tth，k，才能保證轉(zhuǎn)換是有意義的。

針對表1描述的四種節(jié)點工作狀態(tài)，表2僅給出傳感器節(jié)點各工作狀態(tài)的功耗和各狀態(tài)切換到狀態(tài)S0所需要的時間。其中，由于節(jié)點在狀態(tài)S0和S1下各組成模塊都處于完全正常工作狀態(tài)，所以S1切換至S0的時間可忽略不計，如表2所示。

表2 節(jié)點各狀態(tài)的功耗和切換時間

根據(jù)表2，傳感器節(jié)點各工作狀態(tài)對應(yīng)的門限時間可以由式(2)計算得出。針對節(jié)點處于睡眠狀態(tài)S3的情況，我們做特殊處理。當節(jié)點處于睡眠狀態(tài)時，其能耗最少，此狀態(tài)保持的時間越長節(jié)約的能量越多。但是，節(jié)點在睡眠狀態(tài)時無法感知外界環(huán)境的變化，被監(jiān)測事件可能會丟失，如果事件丟失率過大則會大大降低系統(tǒng)的性能。另外，事件的隨機性可能會導(dǎo)致部分節(jié)點能量消耗過快而過早死亡，從而影響網(wǎng)絡(luò)壽命。因此，為了提高節(jié)點能量使用的均衡性，本文結(jié)合傳感器節(jié)點剩余能量給出了節(jié)點處于睡眠狀態(tài)時的保持時間，如下:

式(3)必須滿足條件 Esave，k＞0，其中，τ為可調(diào)系數(shù)，根據(jù)被監(jiān)測事件的嚴重程度和事件發(fā)生的頻率可調(diào)節(jié)其大小，vsta為節(jié)點電池的標準電壓，vpre為節(jié)點電池的當前電壓。

4 基于混合自動機模型的動態(tài)功耗管理

4.1 混合自動機原理

混合自動機是混雜系統(tǒng)研究中常用的模型之一，從根本上來看混合自動機模型屬于有限狀態(tài)機模型，每個離散的狀態(tài)都對應(yīng)一個特定的連續(xù)動態(tài)。它不僅可以描述系統(tǒng)的離散動態(tài)行為，而且具有描述系統(tǒng)連續(xù)動態(tài)行為的能力。由文獻［14］可知，一個混合自動機主要由如下幾個部分組成:①變量:是一個實數(shù)變量的有限集合;②控制圖:是一個有向多元圖(V，E)，頂點V被稱作控制模態(tài)，邊E被稱作控制切換;③初始值、不變條件和流條件:每個頂點上的三個標識函數(shù)init，inv和flow為相應(yīng)的控制模態(tài)提供了判斷;④跳變條件:每條邊上的標識函數(shù)jump為每一個相應(yīng)的控制切換提供了判斷;⑤事件:一個有限的事件集合，而對應(yīng)每條邊上的標識函數(shù)為每個控制切換提供了事件。

為了更好的理解混合自動機原理，本文給出一個實例，如圖4所示。

圖4 溫控器混合自動機模型

在圖4中，溫控器混合自動機模型有兩個控制模態(tài):系統(tǒng)關(guān)閉狀態(tài)(Off)和系統(tǒng)加熱狀態(tài)(On)。假設(shè)初始狀態(tài)為Off，在控制模態(tài)Off下，溫度初始值x為20攝氏度，根據(jù)流條件˙x=－0.1x可知，溫度會逐漸下降，當溫度下降到18攝氏度時，根據(jù)跳變條件x＜19，系統(tǒng)將會自動切換到控制模態(tài)On下。在控制模態(tài)On下，溫控器開始加熱，溫度逐漸上升，當溫度升到22時，滿足跳變條件x＞21，系統(tǒng)又將切換到控制模態(tài)Off下，可以看出溫控器始終將溫度維持在18℃至22℃之間。

4.2 基于混合自動機的DPM模型

森林火災(zāi)是一種突發(fā)性強、破壞性大的自然災(zāi)害。導(dǎo)致森林火災(zāi)發(fā)生的因素有很多，主要包括:溫度、相對濕度、降水量、風速以及人為因素等，其中影響權(quán)重最大的因子是溫度和濕度，當環(huán)境溫度較低或相對濕度較高時火災(zāi)發(fā)生概率相對較小，反之火災(zāi)發(fā)生概率較大［15］。為了減少事件丟失率，本文定義了兩個環(huán)境變量，即狀態(tài)轉(zhuǎn)換控制變量，分別為溫度和相對濕度，它們的值是由溫濕度傳感器采集得到的。傳感器節(jié)點根據(jù)這兩個控制變量的連續(xù)變化，對節(jié)點工作狀態(tài)進行離散處理，即當溫濕度值變化到達設(shè)定的臨界條件時，傳感器節(jié)點的工作狀態(tài)將進行相應(yīng)轉(zhuǎn)換。我們設(shè)定變量X表示所監(jiān)測環(huán)境的溫度，它是控制變節(jié)點工作狀態(tài)轉(zhuǎn)換的主要變量;變量Xold表示更新前的環(huán)境溫度;變量Y表示所監(jiān)測環(huán)境的相對濕度;變量Z表示時鐘，它用于計算節(jié)點處于所在工作狀態(tài)的保持時間;S0、S1、S2、S3分別表示節(jié)點的四種工作狀態(tài):活動狀態(tài)、次活動狀態(tài)、感知狀態(tài)和睡眠狀態(tài)。根據(jù)混合自動機原理，設(shè)計出傳感器節(jié)點的工作狀態(tài)轉(zhuǎn)換模型，如圖5所示。

圖5 節(jié)點工作狀態(tài)轉(zhuǎn)換模型示意圖

在圖5中，節(jié)點的初始狀態(tài)為S1，這里規(guī)定數(shù)據(jù)采集頻率小于數(shù)據(jù)發(fā)送頻率。節(jié)點在狀態(tài)S1的保持時間為10 s，在保持時間內(nèi)，若環(huán)境變量值滿足跳變條件:a)溫度大于35度;b)當前溫度和前一刻溫度相差大于等于5度;c)濕度小于等于30%，即不等式 X＞35‖X＞=Xold+5‖Y＜=30成立，那么節(jié)點將由狀態(tài)S1切換到狀態(tài)S0。

如果節(jié)點處于狀態(tài)S1的時間超過10 s，環(huán)境變量的值又滿足跳變條件:a)溫度小于25°;b)當前溫度小于前一刻溫度;c)當前溫度和前一刻溫度之差不超過0.5°，即 X＜25‖X＜Xold‖X＜=Xold+0.5＆＆Z＞10成立，節(jié)點狀態(tài)將由S1切換到S2。

當節(jié)點在狀態(tài)S1的時間超過10 s時，同時滿足當前溫度值與前一刻溫度值之差大于0.5且小于5的條件，則節(jié)點仍保持S1狀態(tài)不變。

對于節(jié)點在其他3種工作狀態(tài)時，只要環(huán)境變量的值滿足所在狀態(tài)的跳變條件，節(jié)點就會根據(jù)跳變條件切換到相應(yīng)的工作狀態(tài)。在實際應(yīng)用中，對于睡眠狀態(tài)S3，因為節(jié)點無法感知外界環(huán)境的變化，所以其只能依靠自身內(nèi)置的定時器發(fā)出硬中斷來喚醒自己，其中定時器的定時長度可以由式(3)計算出。

5 仿真結(jié)果與分析

5.1 仿真說明

在數(shù)學(xué)領(lǐng)域中，泊松分布常被用來描述一段時間內(nèi)隨機事件的發(fā)生情況。假設(shè)傳感網(wǎng)絡(luò)覆蓋區(qū)域中被監(jiān)測事件的發(fā)生情況服從參數(shù)為λ的泊松分布(Poisson)，設(shè)5 000 s內(nèi)有250個事件發(fā)生，則根據(jù)泊松分布的定義有P(x=k)=(λk/k!)e－λ。我們可以給定不同的火災(zāi)發(fā)生概率P來確定相應(yīng)的λ值，再由λ值來獲得滿足我們實驗要求的數(shù)據(jù)(250個隨機數(shù))。為驗證本文方法的合理性和有效性，本文利用文獻［3］的實驗數(shù)據(jù)進行實驗，并與其進行比較。設(shè)定具體場景參數(shù)設(shè)置如下:在50 m×50 m的監(jiān)測區(qū)域內(nèi)隨機布設(shè)100個傳感器節(jié)點，節(jié)點上事件發(fā)生的數(shù)量不確定，消息均可以由一跳到達Sink節(jié)點。節(jié)點的初始能量為100 J，其所在的位置可監(jiān)測到相應(yīng)給定的溫度值。溫度值的變化看作是事件的發(fā)生，事件隨機發(fā)生在區(qū)域的任何位置。如果兩個或兩個以上事件影響到相同的區(qū)域范圍，則新的溫度值取這些事件的平均值。事件影響的區(qū)域半徑5 m≤r≤50 m，事件的持續(xù)時間為25 s≤t≤200 s。

5.2 結(jié)果分析

實驗1:觀察某節(jié)點在不同火災(zāi)發(fā)生概率條件下工作5 000 s后的能量消耗情況(100次實驗的平均值)，如圖6所示。

圖6 不同火災(zāi)發(fā)生概率下節(jié)點能耗比較

在圖6中，NDPM表示在沒有采用任何DPM策略的情況下節(jié)點在每個工作周期內(nèi)消耗的能量情況，此時節(jié)點的能量消耗與事件的發(fā)生無關(guān)，始終按照自己設(shè)定的周期工作;DPM［3］表示該節(jié)點使用了文獻［3］中的方法后其耗能情況;DPM表示節(jié)點使用了本文方法后的耗能情況。從整體上看，當火災(zāi)發(fā)生概率小于60%時，本文的方法和文獻［3］方法都能可以降低節(jié)點的能耗，但隨著火災(zāi)發(fā)生概率變大，節(jié)點能耗也相對增大，當火災(zāi)發(fā)生概率大于一定值后，這兩種方法不但無法節(jié)能反而使節(jié)點消耗更多的能量，這是因為在火災(zāi)發(fā)生概率較大時，節(jié)點處于最活躍狀態(tài)的時間和次數(shù)都增大，節(jié)點能耗將上升。單獨比較DPM和DPM［3］可以看出，在火災(zāi)發(fā)生概率小于50%時，本文提出的方法要優(yōu)于文獻［3］中的方法，這是因為在火災(zāi)發(fā)生概率較小時，使用本文方法的節(jié)點更多的時間處于感知狀態(tài)S2和睡眠狀態(tài)S3，因此節(jié)點整體消耗能量小，而采用文獻［3］方法的節(jié)點更多時間處于活動狀態(tài)和睡眠狀態(tài)，并且轉(zhuǎn)換頻繁，所以節(jié)點消耗的能量相對較大。

實驗2:為進一步考察本文DPM模型的性能，我們設(shè)定火災(zāi)發(fā)生概率分別為0%和50%，觀察100個節(jié)點在5 000 s后剩余能量的情況，如圖7和圖8所示。

圖7 火災(zāi)發(fā)生概率為0%時各節(jié)點剩余能量情況

圖8 火災(zāi)發(fā)生概率為50%時各節(jié)點剩余能量情況

從上述兩圖中可以看出，當火災(zāi)發(fā)生概率為0%時，使用本文方法的大多數(shù)節(jié)點的剩余能量高于使用DPM［3］方法的節(jié)點，且呈現(xiàn)不規(guī)則性，這是因為本文提出的方法中增加了低功耗狀態(tài)S2，節(jié)點的工作狀態(tài)在S1、S2、S3之間隨機切換，而使用 DPM［3］方法的節(jié)點其工作狀態(tài)始終在狀態(tài)S1和S3之間轉(zhuǎn)換;當火災(zāi)發(fā)生概率為50%時，使用本文方法的節(jié)點和使用文獻［3］方法的節(jié)點其剩余能量都呈現(xiàn)出不規(guī)則性，這是由于火災(zāi)可隨機發(fā)生在任何位置，并且持續(xù)時間不等造成的，此時兩種方法都可以節(jié)約節(jié)點能耗，且節(jié)能效果相當。結(jié)合實驗一的結(jié)論，我們可以得出，在火災(zāi)發(fā)生概率小于50%時本文提出的方法具有較好的節(jié)能效果。實際上，森林火災(zāi)發(fā)生的概率一般都遠低于50%，所以本文的方法更符合實際情況。

6 結(jié)論

突發(fā)性事件監(jiān)測是事件驅(qū)動型傳感網(wǎng)絡(luò)一個非常典型的應(yīng)用，本文以森林火災(zāi)監(jiān)測為應(yīng)用背景，提出一種基于混合自動機模型的傳感網(wǎng)絡(luò)節(jié)點動態(tài)功耗管理方法。根據(jù)應(yīng)用環(huán)境的特點以及傳感器節(jié)點狀態(tài)組合的有效性將節(jié)點工作狀態(tài)劃分為四種，然后，利用混合自動機原理建立了節(jié)點狀態(tài)轉(zhuǎn)換模型，該模型通過環(huán)境變量的連續(xù)變化來控制離散狀態(tài)(節(jié)點工作狀態(tài))的轉(zhuǎn)換。同時，該方法考了節(jié)點剩余能量，提高了節(jié)點能量使用的均衡性。實驗結(jié)果證明了該方法的有效性。在以后的工作中，將進一步研究在消息多跳傳送的情況下如何設(shè)計和完善節(jié)點DPM模型。

［1］ Sinha A，Chandrakasan A． Dynamic Power Management in Wireless Sensor Networks ［J］． IEEE Design and Test of Computers， 2001，18( 4) : 62－74．

［2］ Luo R C，Tu L C，Chen O.An Efficient Dynamic Power Management Policy on Sensor Network［C］//IEEE Proceedings of the 19th International Conference on Advanced Information Networking and Applications，2005:1－4.

［3］ Rodrigo M Passos，Claudionor J N Coelho Jr，Antonio A F Loureiro，et al.Dynamic Power Management in Wireless Sensor Networks:An Application-Driven Approach［C］//Second Annual Conference on Wireless On-demand Network Systems and Services(WONS 2005)，2005:2－3.

［4］ Zuquim A P，Vieira L F M，Vieira M A，et al.Efficient Power Management in Real-time Embedded Systems.IEEE International Conference on Emerging Technologies and Factory Automation-ETFA'03，2003:496－505.

［5］ Lin Chuan，He Yan-Xiang，Xiong Nai-xue.An Energy-Efficient Dynamic Power Management in Wireless Sensor Networks［C］//IEEE/ISPDC，2006.

［6］ Sausen P S，SousaB，Spohn M A，etal.Dynamic Power Management with Scheduled Switching Modes［J］.Computer Communications，2008，31(15):3625－3637.

［7］ Sausen P S，Spohn M A，Salvadori F，etal.Applying Dynamic Power Management with Mode Switching in Wireless Sensor Networks［J］.IEEE 2008:1713－1717.

［8］ Kianpisheh S，Charkari N M.Dynamic Power Management for Sensor Node in WSN Using Average Reward MDP［C］//International Conference on Wireless Algorithms，Systems and Applications，LNCS 5682，Springer，USA，2009:53－61.

［9］ Kianpisheh S，Charkari N M.A Power Control Mechanism for Sensor Node Based on Dynamic Programming［C］//2010Second International Conference on Communication Software and Networks，2010:114－118.

［10］田豐民，陳向東，張傳武.無線傳感器網(wǎng)絡(luò)動態(tài)功耗管理方法［J］.傳感器技術(shù)，2005，24(11):33－35.

［11］李國徽，江德平.基于流預(yù)測的無線傳感器網(wǎng)絡(luò)動態(tài)功耗管理［J］.華中科技大學(xué)學(xué)報，2007，35(7):27－30.

［12］魏海龍，李迅波，沈艷，張海.基于灰色模型的無線傳感器網(wǎng)絡(luò)動態(tài)功耗管理研究［J］.傳感技術(shù)學(xué)報，2011，24(1):141－144.

［13］ Deborah Estrin.Wireless Sensor Networks Tutorial Part IV:Sensor Network Protocols［R］.Mobicom，Sep.23－28，Westin Peachtree Plaza，Atlanta，Georgia，USA，2002.

［14］ Henzinger T A.“The Theory of Hybrid Automata，”Proc.of LICS，1996:278－292.

［15］宋國偉，馬劍，Satoh K，等.森林火險與氣象因素的多元相關(guān)性及其分析［J］.中國工程科學(xué)，2006，8(2):61－65.